DiG-Net：通过超远距离动态手势识别技术提升辅助机器人中的人机交互体验

《ACM Transactions on Human-Robot Interaction》：DiG-Net: Enhancing Human–Robot Interaction through Hyper-Range Dynamic Gesture Recognition in Assistive Robotics

动态手势识别框架DiG-Net突破30米远距离限制，通过深度条件变形对齐块与时空图模块融合，结合辐射度时空深度衰减损失，有效应对远距离手势的衰减、分辨率下降和动态变化问题，在家庭护理、工业安全等场景中显著提升助手机器人交互准确率至97.3%。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

动态手势在辅助人机交互（HRI）中起着关键作用，有助于实现直观的非语言交流，特别是对于行动不便的人或远程操作机器人的人。目前的姿态识别方法主要局限于短距离交互，因此在需要远距离强大辅助通信的场景中效果有限。在本文中，我们提出了DiG-Net，这是第一个能够在最远30米的超远距离上进行稳定运行的动态姿态识别框架，专为辅助机器人设计，以提高可访问性和生活质量。我们提出的基于距离感知的姿态网络（DiG-Net）有效地结合了深度条件变形对齐（DADA）模块和时空图模块，能够在具有挑战性的条件下（包括严重的物理衰减、分辨率降低以及现实辅助环境中常见的动态手势变化）对姿态序列进行稳定处理和分类。我们还引入了辐射度时空深度衰减损失（RSTDAL），该损失机制能够增强模型的学习能力并提高其在不同距离下的鲁棒性。我们的模型在包含复杂超远距离手势的多样化数据集上实现了97.3%的识别准确率，显著优于现有的姿态识别框架。通过有效解析远距离的手势，DiG-Net显著提升了辅助机器人在家庭护理、工业安全和远程协助场景中的可用性，使用户无论身体条件如何都能实现无缝且直观的交互。

人工智能摘要

人工智能生成的摘要（实验性)

此摘要是使用自动化工具生成的，未经文章作者的撰写或审核。它旨在帮助读者发现研究内容、评估其相关性，并帮助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是论文的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的简单语言摘要，您必须具有高级访问权限。